语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用。现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用。为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神经网络。但真实图像与合成图像在分布域上存在的差异会降低模型性能,因此这里使用一种对抗学习方法来实现域的自适应,以解决上述问题。又因为语义分割的结构化输出描述了源域与目标域的空间相似性,所以这里选择在语义分割的输出空间上实现域自适应方法。在此基础上,这里又于不同级别的空间构建多级域自适应网络以提升模型性能。

为解决边缘数据离群性问题,提出了一种基于类加权对抗网络的跨域旋转机械故障诊断方法。通过在源类别上附加类级权重,可以直观地表示源域和目标域之间的关系,有利于共享类别的条件对齐。进一步提出用于局部域自适应的类加权对抗网络,同时忽略源异常值,有效激励了正知识的转移,提升域自适应的效果。在CWRU数据集和一个列车转向架数据集上对该方法进行了实验,结果表明提出的方法可以有效地解决边缘数据离群性问题,提升知识迁移的效果从而提高故障诊断精度。

为了解决源域和目标域之间存在联合分布差异,提出了一种基于软连接最大均值差异的域自适应齿轮箱故障诊断方法。首先提出了一种域自适应Y网模型,用于提取跨源域和目标域的域不变深度特征,解决域自适应问题。然后通过软联合最大均值差异来驱动传输过程,从而模拟源域和目标域之间的分布差异。进一步引入SE-RES模块,增强了稀疏特征提取的双连接卷积流水线,并提出了一种考虑类权重偏差的软联合最大均值差异度量。最后通过两个行星齿轮箱数据集进行实验验证,结果证明提出的方法实现了不同行星齿轮箱在不同工况下的域自适应故障诊断。

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL。卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签。根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异。结果表明:与现有诊断模型相比,该迁移模型的准确率更高。

针对机械设备的状态监测和故障诊断面临的先验样本数据少、样本空间不完备的“小数据”困境,提出了基于测地流核函数的域自适应故障诊断方法。以有限的先验样本数据作为源域,以实际监测数据作为目标域,分别提取设备状态特征并将特征分布子空间嵌入格拉斯曼流形,基于测地流核函数对源域和目标域在特征分布结构上的相似性进行度量,从而实现域自适应基础上的故障诊断。基于轴承振动数据的试验验证表明,基于测地流核函数的域自适应故障诊断能够有效抑制工况变化、采样母体差异的影响,提高故障诊断正确率。